王娜娜,付 强,刘泽龙

(1.63626部队,甘肃 酒泉 732750;2.63607部队,甘肃 酒泉 732750)



基于RSSI实时精确定位系统设计与实现

王娜娜1*,付 强2,刘泽龙1

(1.63626部队,甘肃 酒泉 732750;2.63607部队,甘肃 酒泉 732750)

为实现室内实时高精确定位,设计了基于RSSI的实时精确定位系统。首先基于RSSI测距原理,建立强度与距离数学模型把强度转化为距离,然后采用改进加权质心算法来进行定位,并把定位误差作为目标函数,最后运用简化粒子群优化算法对目标函数进行全局最优值搜索,采用C/S网络架构和多线程技术实现了实时同步获取RSSI值,采用GUI设计了定位系统界面,实现了定位结果实时动态显示。测试结果表明:系统实现了室内实时高精确定位。

RSSI测距;改进质心定位算法;定位误差;简化粒子群优化算法;GUI界面显示

目前主流的GPS定位技术[1]主要用在室外场景,而在室内环境下由于遮挡物的存在,无线信号传输过程中会发生折射、反射以及能量衰减[2]等现象,导致GPS等卫星定位技术不准确甚至不能进行室内目标定位。为此本文设计了一种基于RSSI的高精度的实时定位系统,系统中定位算法相比文献[3]中质心算法增加权值定位更精确;文献[4]中采用梯度下降法和离群算法对定位效果进行优化,算法复杂并且容易产生局部收敛,使得定位精度不高,本文采用简化粒子群优化算法对定位误差进行最小化,算法实现简单,具有全局最优,定位精度高。

1 基于RSSI定位系统

本文定位系统采用iBeacon基站作为移动点,iBeacon嗅探器作为固定锚节点。iBeacon基站采用低功耗蓝牙技术,以广播的形式不断向周围发送自己的MAC地址[5]、Major、Minor、UUID号和RSSI值[6]等信息,iBeacon嗅探器接收这些信息并以wifi形式发送出去。

1.1 基于RSSI测距原理

无线信号在自由空间中的传播模型[7]为:

P(d)=P(d0)-10αlg(d/d0)+ξ

(1)式中:P(d)和P(d0)分别为嗅探器距离iBeacon基站dm和d0m处的接收功率,单位为dBm;α[8]为无线信道衰减因子,同具体无线环境紧密相关;ξ[9]为一个均值为零,服从高斯分布的随机变量。在iBeacon基站技术中规定d0为1 m,P(d0)即为当嗅探器距离iBeacon基站1 m时的接收信号强度值,其为一固定值。从而无线信号的传播模型可简化为:

RSSI=A-10αlgd+ξ

(2)

式中:A和α为经验值,需要通过实验测量数据进行拟合得到,RSSI值可直接从蓝牙终端获得,而d即为所求的嗅探器与基站的直线距离。

1.2 基于改进加权质心的定位算法

质心算法[10]是基于无线网络连通性,质心指的是几个节点组成的多边形的质心。以每一个iBeacon嗅探器锚节点为圆心,以RSSI值转换距离d为半径画圆,那么定位未知节点就应该位于所有圆的交集部分,如图1所示的阴影区域。质心算法是取所有圆的交点,对交点组成的多边形进行求质心,此质心即为定位目标。

图1 质心定位示意图

(3)

(4)

式中:n为权值修正系数,提高定位精度。

2 基于简化粒子群优化算法的定位误差最小化

2.1 简化粒子群优化算法

粒子群优化算法是一种群体智能的全局最优搜索算法[12],通过模拟鸟类的觅食行为建立数学模型。本文采用简化粒子群优化算法[13],粒子进化过程与速度无关,避免陷入局部极值,进化停滞步数作为触发条件对全局极值Pg和个体极值P0进行随机扰动,实现全局最优。极值扰动算子为:

(5)

式中:tg、t0分别表示全局极值和个体极值进化停滞步数,Tg、T0分别表示全局极值和个体极值扰动触发的阈值。触发约束条件如下:

(6)

式中:r3、r4表示带条件的均匀随机函数,U(0,1)表示在(0,1)内服从均匀分布的随机数。

(7)

式中:wt是惯性权值系数,是随着进化代数t的增加而线性减少,则wt表达式如下:

wt=wmax-(wmax-wmin)×t/tsum

(8)

式中:wmax为最大惯性权重系数,wmin为最小惯性权重系数,t为当前迭代次数,tsum为最大迭代次数。惯性权值可提高算法跳出局部极值能力。

2.2 基于定位误差最小化的目标函数

改进的加权质心算法是在所有圆的交集内依据锚节点贡献大小进行定位,定位结果存在误差,为使定位更精确,本文对定位误差进行最小化,即在改进加权质心算法得到的定位点附近小范围搜索误差最小的点。定位误差最小化目标函数为:

(9)

式中:

(10)

3 定位系统的设计与实现

为实时采集iBeacon嗅探器发送的数据,采用Java编程语言设计无线数据采集C/S网络架构,并将数据存储在SQL Server 2008数据库中。基于MATLAB平台访问数据库数据,编程实现RSSI值与距离d转换,采用改进加权质心定位算法进行实时定位,然后简化粒子群优化算法对定位误差进行最小化,最后采用MATLAB中的GUI设计系统的实时显示界面。

3.1 基于wifi的C/S网络架构

嗅探器把接收到的基站信息以Wifi形式向外部发送,基于Wifi特性,用无线网卡搭建客户端与服务器(Client/Server)架构,这里把iBeacon嗅探器作为客户端,安装无线网卡的主机当做服务器。如图2所示为C/S网络架构示意图。

图2 基于wifi的C/S网络架构示意图

3.2 基于多线程技术的数据获取与存储

基于Wifi的C/S模式实现无线网络的连通,为实现实时定位,需要同时获取多个嗅探器发送的数据,为此采用Eclipse开发平台的多线程技术。采用SQL Server 2008数据库实时存储数据。设定嗅探器工作于TCP Client模式,端口号:8899,网卡IP地址为192.168.2. 三个iBeacon嗅探器IP地址为:192.168.2.5、192.168.2.6、192.168.2.7,网关:192.168.2.11/24。如图3所示为数据实时获取与存储工作流程图。

图3 数据实时获取与存储工作流程图

3.3 定位界面设计

为实现快速计算、准确定位,采用MATLAB进行定位算法实现和定位界面设计,其中定位界面基于GUI工具实现。下面对界面显示功能进行设计:①为实现对多目标的定位,设置“基站选择”菜单,可以对多基站多目标进行选择定位。②为控制读取数据库中数据的频率,设置“时间间隔”菜单,控制定位速度。③设置“目标位置”窗口,采用激光测距仪精确测量定位目标的坐标位置“X”和“Y”值并显示,方便与定位结果作比对。④设置两个定位结果窗口,一个是采用简化粒子群对定位误差最小化后的定位目标的位置“X”和“Y”和定位误差“ERROR”,另一个是采用改进加权质心定位算法的结果坐标和定位误差。⑤设置“定位”与“停止”按钮来控制定位的进程。

4 定位系统测试

为了测试本文定位系统的准确性与稳定性,把测试环境放在一个20 m×20 m的会议礼堂,采用3个iBeacon嗅探器,经过测试得到3个iBeacon嗅探器距离iBeacon基站1 m处时接收信号强度RSSI值分别为A1=73.7、A2=72.2、A3=73.6,无线信道衰减因子分别为α1=1.997 2、α2=1.994 0、α3=2.021 9。简化粒子群优化算法参数设置:粒子维数N=2;粒子在二维空间坐标位置变化范围L=0.2;粒子数n=50;迭代次数tsum=100;停滞步数tg=1,t0=0,阈值Tg=5,T0=3;惯性权重系数wmax=0.8,wmin=0.3。

实验中选取30个测试位置,时间间隔1 s,为了保证数据准确性,对每一个测试位置数据求平均值作为该位置点的信号强度RSSI值。图4是定位系统测试结果图,其中,点画线的为目标点位置,星画线为本文进行误差最小化后的定位结果。

图4 定位系统测试结果

图5是分别采用改进加权质心定位算法和简化粒子群优化定位误差最小化算法的定位结果误差,由图可见经过简化粒子群对定位误差最小化的处理后,定位误差明显减小。

图5 定位误差分析图

5 结束语

本文设计的基于RSSI实时精确定位系统所需器材少,成本低,实现操作简单。该系统采用多种技术融合,首先采用Java编程语言设计无线数据采集C/S网络架构,SQL Server 2008数据库实现实时存储数据,多线程技术实现并行读取3个嗅探器的RSSI数据,然后采用MATLAB编程完成改进加权质心定位算法和简化粒子群对定位误差最小化算法,最后采用GUI设计定位系统显示界面,实时动态显示定位结果。定位系统测试结果表明:本文设计的定位系统可实现了室内目标的实时高精确定位,经误差最小化校正误差小于0.2 m。

[1] 袁修孝,付建红,楼益栋. 基于精密单点定位技术的GPS辅助空中三角测量[J]. 测绘学报,2007,36(3):251-255.

[2] 王召召,邹澎,王瑶. 建筑物对通信信号衰减的定量研究[J]. 通信技术,2010,43(5):61-63.

[3] 林伟,陈传峰. 基于RSSI的无线传感器网络三角形质心定位算法[J]. 传感器技术,2009(2):180-183.

[4] 罗臻,刘宏立,徐琨. 基于RSSI的无线传感器网络迭代安全定位算法[J]. 传感器与微系统,2015,1(34):116-119.

[5] 杨文铂,邢鹏康,刘彦华. 一种基于自适应RSSI测距模型的无线传感器网络定位方法[J]. 传感技术学报,2015,28(1):137-141.

[6] 方震,赵 湛,郭鹏,等. 基于RSSI测距分析[J]. 传感技术学报,2007,20(11):2526-2530.

[7] 周艳,李海成. 基于RSSI无线传感器网络空间定位算法[J]. 通信学报,2009,30(6):75-79.

[8] 于慧霞. WSN中基于RSSI的加权质心定位算法的改进[J]. 电子测试,2012(1):28-32.

[9] 万国峰,钟俊,杨成慧. 改进的RSSI测距和定位算法[J]. 计算机应用研究,2012,29(11):4156-4158.

[10] Chen Junjie,Ge Wentao,Tao Liang. A Weighted Compensated Localization Algorithm of Nodes in Wireless Sensor Networks[C]//Proceeding of the 3rd International Workshop on Advanced Computational Intelligence,2010:25-27.

[11] 陈维克,李文锋,首 珩,等. 基于RSSI的无线传感器网络加权质心定位算法[J]. 武汉理工大学学报(交通科学与工程版),2006,30(2):265-268.

[12] 王宁,周圆,刘敬浩. 一种基于改进粒子群的无线传感器网络层次化聚类协议[J]. 传感技术学报,2017,30(1):120-125.

[13] Shi Y,Eberhart R C. Empirical Study of Particle Swarm Optimization[C]//Proceeding IEEE International Conference on Evolutionary Computation,1997:303-308.

王娜娜(1985-),女,硕士,工程师,中国人民解放军第63626部队,研究方向为无线传感器网络、电磁频谱定位,wangnanasj@126.com;

付 强(1989-),男,本科,工程师,中国人民解放军第63607部队,研究方向为无线传感器网络。

Design and Realization of Realtime Accurate Location SystemBased on

Signal Strength Indicator

WANG Nana1*,FU Qiang2,LIU Zelong1

(1.Unit 63626,Jiuquan Gansu 732750,China;2.Unit 63607,Jiuquan Gansu 732750,China)

In order to realize the real-time and accurate positioning in the room,A real-time precise positioning system is designed based on Received Signal Strength Indicator(RSSI). Firstly,based on the principle of RSSI distance measurement,the strength and distance mathematical model is established to transform the signal intensity into distance,then the improved weighted centroid algorithm is used to locate the target,and the positioning error is taken as the objective function. Finally,the simplified particle swarm optimization algorithm is used to optimize the objective function. The C/S network architecture and the multi-thread technology are used to obtain the RSSI value. The positioning system interface is designed by using the GUI. In the end,the real-time dynamic display of the positioning is realized. The test result shows that the system realizes the high precision positioning in the room

Received Signal Strength Indicator measurement;improved weighted centroid localization algorithm;positioning error;simple particle swarm optimization;GUI interface display

ved Signal Strength Indicator)指的是接收信号的强度。RSSI测距原理:已知发射节点的发射功率、接收节点处的接收功率,计算出无线信号的传播损耗,依据自由空间无线信号传播模型,将传播损耗转化为距离,即为发射信号点与接收点的距离。

2016-11-01 修改日期:2017-03-12

TP393.1

A

1004-1699(2017)07-1095-05

C:7230

10.3969/j.issn.1004-1699.2017.07.021